首先我們來分析壹下LC.csv數據集，LC (Loan Characteristics) 表為標的特征表，每支標壹條記錄。***有21個字段，包括壹個主鍵（listingid）、7個標的特征和13個成交當時的借款人信息，全部為成交當時可以獲得的信息。信息的維度比較廣，大致可以分為基本信息，認證信息，信用信息，借款信息。
基本信息：年齡、性別；
認證信息：手機認證、戶口認證、視頻認證、征信認證、淘寶認證；
信用信息：初始評級、歷史正常還款期數、歷史逾期還款期數；
借款信息：歷史成功借款金額、歷史成功借款次數、借款金額、借款期限、借款成功日期
對於LC數據集我們提出以下四個問題：
1. 用戶畫像 ，包含使用平臺貸款業務的用戶的性別比例，學歷水平，是否為舊有用戶，年齡分布等信息。
2. 資金儲備 ，每日借款金額大概多少？波動有多大？從而公司每日需準備多少資金可以保證不會出現資金短缺？
3. 用戶逾期率 ，借款人的初始評級、借款類型、性別、年齡等特征對於逾期還款的概率有無顯著影響？哪些群體逾期還款率明顯較高？
4. 借款利率 ，哪些群體更願意接受較高的借款利率？
對數據進行清洗
依次檢查重復值、缺失值的處理，壹致化以及異常值，數據集很幹凈。
1.分析用戶畫像（性別、學歷、年齡、是否首標）
按‘性別’、‘年齡’、‘是否首標’、‘學歷認證’字段對‘借款金額’進行加總，用餅圖或柱狀圖將結果可視化
結論：
1.男性客戶的貢獻的貸款金額占到了69%，可能的原因是男性更傾向於提前消費且貸款金額較大。
2.非首標的金額占比達到66%，說明用戶傾向於多次使用，產品粘性較高。
3.大專以下學歷的貸款金額更多，但是由於可能有很多用戶並未認證學歷，所以數據存在出入。
4.年齡段在25-30歲之間的借款金額最多，而20-35歲的人群占比超過75%，是該產品的主力消費人群。
2.分析資金儲備
每日的借款金額大概多少？波動有多大？公司每日需要準備多少資金可以保證不會出現資金短缺？
結論：
1.每日貸款金額呈現的是壹個往上的趨勢,但是每天的波動較大。
2.每月貸款分析結論：從2015年1月到2017年1月，月度貸款金額呈現上升趨勢，上升速度隨著時間增快。
3.2017年1月每日的借款金額達到5204664元，標準差為2203394，根據3σ原則，想使每日借款金額充足的概率達到99.9%，則每日公式賬上需準備5204664+2203394×3=11814846元。
3.分析逾期還款率（借款人的初始評級、借款類型、性別、年齡、借款金額等特征）
逾期還款率 = 歷史逾期還款期數/（歷史逾期還款期數+歷史正常還款期數）
結論：
1.初始評級對於貸款者的還款能力有比較好的預測作用，EF兩級反轉可能是因為樣本數量較少，ABCD四個等級的平均逾期還款率都比較小，而EF兩級明顯增大，故公司對於這兩類貸款者要謹慎對待。
2.年齡對於逾期率的分布較為平均，25-30歲的年輕人可以重點關註。
3.APP閃電的逾期還款率明顯低於其他三種，故公司可以多考慮與“APP閃電”借款類型的合作。
4.女性的逾期率高於男性，可能是由於生活中男性收入較女性高造成的。
5.借款金額在2000以下的逾期還款率最低，2000-3000之間的最高。可以多考慮小額貸款降低逾期風險。
4.分析借款利率（借款人的初始評級、借款類型、性別、年齡、借款金額等特征）
哪些客戶群體更願意接受較高的借款利率？
結論：
1.年齡對於借款利率的分布較為平均，差異性很小。
2.初始評級的平均借款利率由小到大排列為ABCDFDE。
3.電商的借款利率明顯低於其他三種。
4.女性所能接受的借款利率低於男性。
5.借款金額對於借款利率的分布較為平均，差異性很小。
對於以上四個問題綜合分析LC數據集：
1、“男性”、“回頭客”、“中青年”是拍拍貸用戶群體的主要特征。
2、每日公司賬上需準備7,283,728元，方可保證出現當日出借金額不足的可能性小於0.1%。
3、“初始評級”為D的群體，借款利率與E，F大致相當，但其逾期還款率卻只有E，F群體的三分之壹，相同的收益水平下風險大大降低，應多發展評級為D的客戶或提高其貸款額度。
4、通過“app閃電”貸款的逾期還款率遠低於其他項，約為其他借款類型的三分之壹至四分之壹，而平均借款利率卻和其他項相差不大，證明“app閃電”是該公司優質的合作方，其所引流來得客戶質量很高，“拍拍貸”應與“app閃電”繼續加深合作。
5、“電商”中的貸款客戶，收益率水平明顯較低，逾期率卻不低，在該群體中的貸款收益小，風險大。
6、從性別上看，男性群體貸款利率較高，逾期風險較小，相較女性壹定程度上是更為優質的客戶，但並不明顯。
基於LCLP.csv 數據，分析用戶的還款習慣（提前壹次性全部還款 、部分提前還款以及逾期還款）的金額占比。
將數據集按借款金額分組，並按還款狀態和還款日期分成四種還款情況並進行統計：
（1）壹次性全部還款：其還款狀態標記為‘已提前還清該標全部欠款’；
（2）部分提前還款：其還款狀態標記為’已正常還款’，並且當期的還款日期早於到期日期；
（3）正常還款：其還款狀態標記為’已正常還款’，並且當期的還款日期即為到期日期；
（4）逾期還款：還款狀態標記為‘未還款’，‘已逾期還款’或者‘已部分還款’。
用百分堆積柱狀圖展示在不同年齡段（15 -20 ，20 -25 ，25 -30 ， 30-35 ，35 -40 ，40+ ）,不同性別（ 男、女），不同初始評級（A-F），不同借款類型、不同借款金額（1-1000，1000 -2000，2000-3000，3000+）、不同期數（1-24）的走勢。
在根據借款金額分組中，得到結果如下：
A組（0-2000）：總金額2.85千萬。（1）壹次性全部還款：占比 10.20%；（2）部分提前還款：占比60.95%；（3）正常還款：占比 16.23%； （4）逾期還款：占比 12.61%。
B組（2000-3000）：總金額 7千萬。（1）壹次性全部還款：占比 10.21%；（2）部分提前還款：占比54.96%；（3）正常還款：占比 20.40%； （4）逾期還款：占比 14.43%。
C組（3000-4000）：總金額 10千萬。（1）壹次性全部還款：占比 14.87%；（2）部分提前還款：占比50.96%；（3）正常還款：占比 21.90%； （4）逾期還款：占比 12.26%。
D組（4000-5000）：總金額 7.22千萬。（1）壹次性全部還：占比 14.68%；（2）部分提前還款：占比50.70%；（3）正常還款：占比 22.78%； （4）逾期還款：占比 11.85%。
E組（5000-6000）：總金額 5.11千萬。（1）壹次性全部還款：占比 15.70%；（2）部分提前還款：占比50.30%；（3）正常還款：占比 23.24%； （4）逾期還款：占比 10.76%。
F組（6000+）：總金額 26.92千萬。（1）壹次性全部還款：占比 11.69%；（2）部分提前還款：占比39.38%；（3）正常還款：占比 39.79%； （4）逾期還款：占比 9.15%。
從對借款金額分組的統計結果以及上圖結果中可以看出：
（1）借款總額6000元以上最多，3000-4000其次，說明3000-4000元的借款金額是最多的。
（2）逾期風險在各金額組表現比較平均，其中2000-3000最大，6000+最小。
（3）隨著標的金額增加，部分提前還款的總金額比例在減少，正常還款的總金額比例在增加。
在年齡分組中，得到結果如下：
A組（15-20歲）：總金額0.13千萬。（1）壹次性全部還款：占比 10.44%；（2）部分提前還款：占比62.90%；（3）正常還款：占比 13.11%； （4）逾期還款：占比 13.55%。
B組（20-25歲）：總金額 8.60千萬。（1）壹次性全部還款：占比 13.43%；（2）部分提前還款：占比53.2%；（3）正常還款：占比 20.05%； （4）逾期還款：占比 13.32%。
C組（25-30歲）：總金額 20.34千萬。（1）壹次性全部還款：占比 14.00%；（2）部分提前還款：占比47.67%；（3）正常還款：占比 26.69%； （4）逾期還款：占比 11.64%。
D組（30-35歲）：總金額 14.94千萬。（1）壹次性全部還款：占比 12.36%；（2）部分提前還款：占比43.92%；（3）正常還款：占比 33.82%； （4）逾期還款：占比 9.88%。
E組（35-40歲）：總金額 8.00千萬。（1）壹次性全部還款：占比 10.81%；（2）部分提前還款：占比44.39%；（3）正常還款：占比 34.67%； （4）逾期還款：占比 10.13%。
F組（40歲+）：總金額 7.03千萬。（1）壹次性全部還款：占比 10.88%；（2）部分提前還款：占比42.85%；（3）正常還款：占比 37.21%； （4）逾期還款：占比 9.06%。
從對年齡分組的統計結果以及上圖結果中可以看出：
（1）拍拍貸的客戶群體中25-30歲年齡組的貸款金額最高，15-20歲最低；
（2）各年齡組的還款習慣大體壹致，從金額上來說，部分提前還款和正常還款是最常用的方式；
（3）逾期還款風險最高的年齡組為15-20歲組；
（4）25-30歲年齡組壹次性提前還款的金額占比最高。
在男女性別組中，得到結果如下：
男性：總還款金額 43.19千萬。（1）壹次性全部還款占比 13.16%；（2）部分提前還款占比45.78%；（3）正常還款占比 30.09%； （4）逾期還款占比10.97%。
女性：總還款金額 15.85千萬。（1）壹次性全部還款占比 11.42%；（2）部分提前還款占比48.64%；（3）正常還款占比29.11%； （4）逾期還款占比10.83%。
從對男女性別組的統計結果以及上圖結果中可以看出：
（1）拍拍貸男性客戶的貸款金額約為女性客戶的2.7倍；
（2）男性及女性的還款習慣大體上比較壹致，從金額上來說，部分提前還款>正常還款>壹次性提前還款>逾期還款；
（3）男性客戶壹次性提前還款的金額占比較女性為高；
（4）女性逾期還款的風險略低於男性；
（5）女性部分提前還款的金額占比略大於男性。
在初始評級分組中，得到結果如下：
A級：總金額2.43千萬。（1）壹次性全部還款：占比 10.95%；（2）部分提前還款：占比42.54%；（3）正常還款：占比 39.73%； （4）逾期還款：占比 6.78%。
B級：總金額 12.98千萬。（1）壹次性全部還款：占比 7.68%；（2）部分提前還款：占比37.45%；（3）正常還款：占比 47.65%； （4）逾期還款：占比 7.22%。
C級：總金額 29.27千萬。（1）壹次性全部還款：占比 14.19%；（2）部分提前還款：占比49.92%；（3）正常還款：占比 25.00%； （4）逾期還款：占比 10.89%。
D級：總金額 13.14千萬。（1）壹次性全部還款：占比 14.59%；（2）部分提前還款：占比49.27%；（3）正常還款：占比 21.85%； （4）逾期還款：占比 14.29%。
E級：總金額 1.08千萬。（1）壹次性全部還款：占比 13.21%；（2）部分提前還款：占比40.97%；（3）正常還款：占比 22.91%； （4）逾期還款：占比 22.91%。
F級：總金額 0.15千萬。（1）壹次性全部還款：占比 10.75%；（2）部分提前還款：占比41.24%；（3）正常還款：占比 20.68%； （4）逾期還款：占比 27.33%。
從對初始評級分組的統計結果可以看出：
（1）B級客戶借款總額最多，占到了大約50%的金額。B、C、D級客戶是借款的主力軍。
（2）提前壹次性還款的占比相對比較平均，其中D級最大為14.59%。
（3）逾期風險隨著級別而呈總體增加趨勢，F級客戶的逾期占比達到了27.33%。
（4）部分提前和正常還款還是占到了大多數。
（5）總的來說，初始評級具有重要的參考意義。
在借款類型分組中，得到結果如下：
電商：總金額8.57千萬。（1）壹次性全部還款：占比 4.22%；（2）部分提前還款：占比26.93%；（3）正常還款：占比 62.07%； （4）逾期還款：占比 6.78%。
APP閃電：總金額 7.45千萬。（1）壹次性全部還款：占比 8.96%；（2）部分提前還款：占比61.13%；（3）正常還款：占比 18.68%； （4）逾期還款：占比11.24%。
普通：總金額 23.47千萬。（1）壹次性全部還款：占比 17.16%；（2）部分提前還款：占比45.09%；（3）正常還款：占比 26.10%； （4）逾期還款：占比 11.65%。
其他：總金額 19.56千萬。（1）壹次性全部還款：占比 12.46%；（2）部分提前還款：占比51.33%；（3）正常還款：占比 24.43%； （4）逾期還款：占比 11.78%。
從對借款類型分組的統計結果可以看出：
（1）普通借款類型的借款金額總數最大，其次是其他，電商和APP閃電差不多。
（2）逾期風險電商最低，為6.78%。其他三種類型差不多。
（3）部分提前和正常還款還是占到了大多數。值得註意的是除了電商，其他三種類型的部分提前還款都占比很大。
從對期數分組的統計結果可以看出：
（1）借款金額是隨著期數增加呈現出下降的趨勢。
（2）不同的還款行為在不同的借款期限下的表現差異比較大，部分提前還款和正常還款是最常用的方式；
（3）逾期風險隨著借款期限變長而呈總體增加趨勢，期限為20個月的逾期金額占比為最高，達到了57.30%；
（4）期限為13個月的提前壹次性還款占比最高，達到了16.77%。
（5）借款期限太長的樣本數量太少，不能排除偶然性。
在不同等級（A-F）、不同借款期數（1-24）和不同借款金額（0-2000，2000-3000，3000-4000，4000-5000，5000-6000，6000+）等，隨逾期天數增加而呈現的走勢。
1）x軸為逾期天數，y軸為金額催收回款率，不同參數對應不同曲線；
2）催收回款的定義為逾期90天之內的逾期還款。
不同等級（A-F）隨逾期天數催收還款率的走勢大致相同，也就是大部分人都在逾期十天之內還款，說明他們有可能忘記還款；特別是在4、5天的還款的人數和金額最多。
不同借款期數（1-24）的金額收回款率隨逾期天數的趨勢沒有明顯的規律。在12期及之前大部分人都在逾期十天之內還款，特別是在4、5天的還款的人數和金額最多。 但是13之後呈現出10天之後回款率的依然很大。也有可能是因為數據量導致異常值凸顯，但是也說明了借款期數長的回款率不夠穩定。
對不同借款金額對於進入催收回款率影響較大，借款金額越多，逾期的可能性就越大。
LCIS數據提供了該客戶投資的從2015年1月1日起成交的所有標。包括投標記錄和還款狀況。請計算並畫出該投資人從2016年9月開始到2017年2月，每月月底的累計收益曲線。
調用draw()函數，可以對任壹用戶的數據畫出累積收益曲線。